非農就業對城郊農民收入的影響研究

2016-10-28 08:41:22劉魏

西南大學學報(社會科學版) 2016年5期

關鍵詞：教育

劉　魏

(西南大學 1.經濟管理學院；2.農村經濟與管理研究中心，重慶市 400715)

非農就業對城郊農民收入的影響研究

劉魏1，2

(西南大學 1.經濟管理學院；2.農村經濟與管理研究中心，重慶市 400715)

城鎮化的外圍式擴張導致城郊農民土地被征用，非農就業將成為城郊農民重要的就業方式。基于中國綜合社會調查(CGSS)2012年的統計數據，運用傾向得分匹配模型，分析了非農就業對城郊農民收入的影響。結果發現：非農就業能夠顯著提高城郊農民收入水平，非農就業的城郊農民收入比未非農就業高59%。基于不同受教育程度、不同社會地位和不同性別等異質型特征進一步研究發現，低學歷、女性人群由純農就業轉為非農就業，其收入提升效應更為顯著，但現階段低學歷、女性人群非農就業比例卻很低。因此，鼓勵城郊農民非農就業是很有必要的，尤其要降低低學歷、女性等人群的非農就業進入門檻，使他們進入到城市服務行業，以達到與城市高技能勞動者的行業互補和提高農業規模經濟效益的目的。

非農就業；城郊農民；收入效應；學歷；女性人群；中國綜合社會調查

一、引　言

傳統意義上，農村非農經濟發展被認為是低產出的，將隨著時間的變化逐漸消失，農民收入獲取的途徑主要源于農業生產經營，即通過土地、勞動力和資本的投入實現。但土地單位產出率的低下和農村信貸資本的限制，導致剩余的勞動力集中在土地上，農民不能通過資本投資獲取新的生產技術。同時農產品價格的風險性和不確定性導致農民收入增長具有不穩定性。伴隨著改革開放以后我國經濟社會環境發生的變化，農民非農就業越來越被重視，其在農民收入增長、減少貧困和釋放農村剩余勞動力等方面扮演著重要角色[1-2]。農民收入增長不再單純依靠農業生產，而更多地依靠非農生產活動。據統計，2015年底我國農民工總量達到2.77億，比上年增長1.3%，其中外出農民工1.69億，增長0.4%*數據來源于國家統計局發布的《2015年國民經濟和社會發展統計公報》。。可以說，農村經濟中非農業對收入貢獻的比例越來越大，不僅提高了農民收入水平，也為城市經濟貢獻了勞動力。

與時同時，勞動力的流動促使城鎮化快速發展，城鎮化的發展將掀起新一輪的非農就業浪潮[3]。城鎮化推進過程中，城鎮規模的外延式擴張會導致城郊失地農民的增加，城郊農民生產行為將發生變化，必將進一步影響其收入水平和收入結構[4]。一方面，城郊農民在城鎮化發展過程中由于面臨失去土地風險而選擇非農就業，另一方面，城郊農民在傳統農業生產過程中面臨過密化*黃宗智認為，過密化是指經濟在以單位工作日邊際報酬遞減為代價的條件下擴展，即所謂的“沒有發展的增長”。導致的土地單位產出率低、農村資本匱乏、農業收入增長不穩定等供給側問題，會主動選擇非農就業。因此，非農就業成了城郊農民收入增長的關鍵。隨著工業化、城鎮化和農業現代化的發展，城郊農民正面臨收入結構的變化。非農就業不僅能夠提高收入水平，還能夠為婦女和窮人創造更多的就業崗位[5]。當前，我國正在進行“供給側改革”。勞動力作為供給側一個重要的增長因素，勞動力的優化配置將對供給側改革產生深遠影響。習近平同志在中央財經領導小組第11次會議和亞太經合組織APEC工商領導人峰會上兩次強調，要“加強供給側結構性改革”。李克強同志在“十三五”規劃綱要編制工作會議和2015年《政府工作報告》上指出，“要在供給側和需求側兩端發力，促進產業邁向中高端”。對于城鎮化發展來說，處理好城郊農民的非農就業問題無疑是供給側改革的重要內容。

事實上，許多學者認為提高收入的關鍵在于非農就業[6]。但由于規避風險的偏好，城郊農民中從事非農就業工作的通常是被征地或者受教育程度較高、具有非農工作經歷的人群，知識和思維結構、社會網絡的變化使這部分人群更傾向于非農就業。Emran & Hou指出窮人參與非農活動會面臨進入壁壘[7]。Cherdchuchai & Otsuka、Kijima, Matsumoto & Yamano、Lanjouw & Murgai也認為從事非農活動需要嫻熟的技能或者較高的受教育程度[8-10]。那么，非農就業對城郊農民收入的影響，到底來自于非農就業的直接影響？還是諸如受教育程度、性別、社會地位等異質性特征帶來的間接影響？這是本文需要甄別的一個問題。因此，本文將運用傾向得分匹配(PSM)模型來檢驗非農就業對城郊農民收入的影響，傾向得分匹配方法能夠較好地剔除樣本自選擇所帶來的內生性問題。

二、文獻述評

近年來，國內外學術界對農民的非農就業問題進行了廣泛討論和深入研究，并取得了豐碩成果。不少學者探討了發展中國家非農就業的特點和影響因素。Reardon et al.認為非農就業在農村經濟發展中扮演越來越重要的作用，它為農業生產的上下游提供了產品和服務，同時提供了較多的農村收入份額，為糧食安全、緩解貧困、提高農業生產競爭力作出了較大貢獻[11]。Abdulai & Delgado通過對加納北部已婚男性和女性非農就業行為的研究，得出教育、經驗、基礎設施、到首都的距離、人口密度能夠顯著提高勞動力非農就業的參與率，同時非農就業工資具有性別差異[12]。Barrett發現非農就業與家庭福利存在正相關關系，非農收入的多元化有利于刺激消費的快速增長[13]。Canagarajah發現自我雇傭方式的非農就業會導致收入不平等程度的加劇，對于以女性為戶主的家庭更甚，而以工資為主要方式的非農就業可以減小收入不平等程度[14]。此外，他還發現地理位置、受教育程度、年齡和距離市場遠近是影響非農就業的關鍵因素。Lanjouw認為窮人由于受教育程度較低，其參與非農就業活動的勞動生產率低下[15]。任國強探討了人力資本對非農就業的影響，發現受教育程度越高，非農就業參與度越高，除高中外，農民受教育程度越高，非農報酬也越高[16]。艾春榮、汪偉發現農戶非農就業與否主要與由農戶的農業生產率和非農勞動單位報酬決定，與當期收入不相關[17]。

非農就業的進入限制也是一個值得研究的問題。Knight指出初中及以上學歷的農民更容易獲得貿易、制造業等非農工作，其子女更容易受到良好的教育，這會形成一個良性循環，而那些受教育程度較低的農民往往會陷入惡性循環中[18]。同樣，營養不良的農民由于工作效率低下，失業的可能性更高，從而陷入貧困的惡性循環之中[19-20]。Jha運用印度農村的實證研究證實了營養不良導致貧困的假設[21]。Reardon強調貧困家庭由于非農活動進入限制，阻礙了他們投資非農活動，這印證了貧困陷阱的存在，也說明貧困家庭進入非農產業工作并非是一個自然過程[22]。

還有學者研究了非農就業與收入之間的關系問題。Taylor J.E認為非農就業所造成的農業勞動力流失會導致農業收入的下降[23]。Haggblade et al.認為發展中國家非農就業是農民收入的主要來源，貢獻了35～50%的份額，同時吸納了33%的農村勞動力[24]。不少學者認為非農就業活動在經濟社會中的作用越來越大[25]，增加了農民的糧食產出和收入[26]，縮小了農業家庭和非農就業家庭的收入差距[27]。劉洪銀運用丹尼森方法構建回歸模型，發現非農就業能夠顯著促進經濟增長，同時非農就業對經濟增長的作用符合邊際遞減規律[28]。錢文榮等區分了非農就業對收入影響的直接和間接效應，直接效應顯示非農就業人數的增加會導致農業收入下滑，間接效應顯示非農就業的工資匯款可以補償直接效應所帶來的負面影響[29]。寧光杰運用2008年農村住戶調查數據分析了非農就業的影響因素及非農就業對農民收入的影響問題，研究發現教育、年齡、培訓、健康以及非農工作經歷會顯著影響農民非農就業參與度。同時還發現外出非農就業的收入顯著高于本地就業[30]。冉璐等運用2008年中國綜合社會調查數據，分析了非農就業經歷對務農收入的影響，發現具有非農就業經歷的農民務農收入顯著高于無非農就業經歷的農民[31]。

通過對相關文獻的梳理，本文可能的創新之處是：(1)已有研究內容主要集中在非農就業行為的決定因素上，較少涉及非農就業對收入影響問題。對于部分研究非農就業對農民收入影響的文獻，則忽略了不可觀測因素所導致的自我選擇所產生的偏誤，難以區分非農就業所產生的因果效應與不可觀察因素所產生的效應，會導致回歸估計偏誤，從而給出一個錯誤的政策含義。因此本文利用傾向得分匹配模型(PSM)，可以較好地區分非農就業或是不可觀測因素對農民收入的影響。(2)研究主體主要集中于城郊農民。現有文獻主要研究農民的非農就業問題，其理論背景基于勞動力遷移理論和農業的弱質性問題，因此農民的非農就業主要考慮農業生產率和非農勞動單位報酬的高低。而城郊農民則是城鎮化外圍擴張所產生的一個特殊農民群體，其非農就業主要來自城鎮化擴張所導致的失地問題和市民化過程積極融入城鎮的自發就業過程。因此城郊農民與其他農村地區農民的非農就業動機是不一樣的。(3)國外學者主要從特定國家研究非農就業問題，這與我國的城郊農民有本質不同，且研究數據不適用于國內問題研究。本文主要借助于中國綜合社會調查數據，覆蓋面廣、代表性強。

三、理論模型

農戶非農就業行為選擇問題，本文借鑒了Huffman的理論模型[32]，Owusu et al.對該模型進行了發展[33]。在給定物品消費量(Q)和閑暇消費量(H)的情況下，農戶家庭效用函數(U)可以表示為：

(1)

同時，每個農戶家庭還面臨時間和資金預算約束。時間約束可以表示為：

(2)

T表示總的時間稟賦，L1和L2分別表示分配給農業就業和非農就業的時間，H表示閑暇時間。L1和L2滿足：

(3)

資金預算約束可以表示為：

PQ=p1y1=wL1+w2L2+R

(4)

其中，P代表市場上產品價格，w1和w2分別表示農業就業、非農就業的勞動力單位時間報酬，y1和p1分別表示農產品的銷售量、銷售價格，R表示非勞動收入。

因此，農戶獲取最大利潤的最優時間分配，可以表示為效用函數的一階條件：

(5)

(5)式中i表示農業就業或非農就業，將(5)式化簡，可得到農戶在農業就業和非農就業的最優工資報酬：

(6)

根據(5)式，農戶分配到農業、非農就業和閑暇的最優時間，可以得農業就業和非農就業的勞動力供給函數：

(7)

(8)

(9)

(10)

四、研究方法、變量與數據

(一)傾向得分匹配方法

根據是否選擇非農就業，本文將樣本分為激勵組和控制組兩類。激勵組即非農就業的城郊農民，控制組即未非農就業的城郊農民。前文提到，城郊農民非農就業對收入的影響效果，可能來自于受教育程度、性別、社會地位等異質性特征，而非非農就業的直接影響，因此有必要控制樣本的自選擇偏誤。文章采用Rosenbaum & Rubin提出的傾向得分匹配模型(PSM)[35]，其基本思想是找到與激勵組相似的控制組樣本，從而降低樣本自選擇偏誤。這種選擇方法即是傾向得分(propensity score)，傾向得分既可以使激勵組尋找一對一的控制組樣本，也可以尋找一對多的控制組樣本。傾向得分定義是在樣本X給定的條件下，城郊農民選擇非農就業的條件概率，即：

(11)

其中，Li表示城郊農民選擇非農就業與否，取值0表示未參與非農就業，取值1表示參與非農就業。Zi表示影響就業行為的個體特征。傾向得分p(Zi)可以用logit或者probit模型進行估計[36]，在已知農戶的傾向得分p(Zi)后，通常無法尋找到得分完全一樣的樣本，已有文獻主要通過最近鄰匹配、半徑匹配和核匹配等方法來達到激勵組與控制組的樣本匹配。這三種方法的計算公式在此不一一列舉，通過Stata 13.1軟件可以很方便地計算出。樣本匹配完成后，進一步估計城郊農民選擇非農就業的平均處理效果(ATT)，其公式為：

(12)

(二)變量與數據

本文所用的數據主要來自于中國綜合社會調查(Chinese General Social Survey，CGSS)，該數據由中國人民大學中國調查與數據中心組織調查。數據樣本始于2003年，調查范圍覆蓋中國大陸，調查內容涉及中國家庭及個人的個體特征、價值觀、健康、收入等。本文選取(CGSS)2012年的調查數據，數據中包含s5a和a18兩個變量，s5a的標簽含義是受訪者居住的地區類型，取值1代表市/縣城的中心地區，取值2代表市/縣城的邊緣地區，取值3代表市/縣的城鄉結合部，取值4代表市/縣城區以外的鎮，取值5代表農村，取值6代表其他。a18的標簽含義是“您目前的戶口登記狀況”，取值1代表農業戶口，取值2代表非農業戶口，取值3代表藍印戶口，取值4代表居民戶口(以前是農業戶口)，取值5代表居民戶口(以前是非農戶口)，取值6代表軍籍，取值7代表沒有戶口，取值8代表其他。本文研究的城郊農民收入問題，因此同時選擇s5a取值為2或3和a18取值為1的樣本。通過這兩個指標可以選取城郊農民樣本，同時剔除了拒絕回答、不知道、不適用的樣本，最終獲得849個樣本觀測值。本文主要分析非農就業與城郊農民收入問題，結合明瑟收入方程常用的收入控制因素，本文選擇了性別、年齡、年齡的平方、是否少數民族、是否宗教信仰、受教育程度、是否黨員、健康狀況、社會地位、是否結婚等個體特征變量，各變量的描述性統計見表1和表2。

表1　變量的選取和指標定義

表2　變量的描述性統計

通過以上對變量和數據的選取，本文進一步觀察非農就業所形成的收入分布差異。圖1展示了城郊農民收入的核密度函數。從圖中可以看到，在收入的低收入區間，未非農就業的人群概率密度高于非農就業人群，說明低收入區間未非農就業人群密度較高。在中等收入區間，非農就業人群概率密度高于未非農就業，說明非農就業人數較多。而在中高收入區間，未非農就業人群概率密度又超過非農就業人群。在高收入區間，非農就業人群超過未非農就業人群。這種現象說明在收入處于中等收入區間的人群主要是通過非農就業渠道獲取收入，而低收入區間和高收入區間的人群則主要是通過農業就業渠道獲取收入。這從側面反映出農業就業既是致貧的主要因素，也是致富的因素，致貧的原因可能來自于傳統落后的農業生產方式，而致富的原因可能來自于現代先進的農業生產方式，通過規模經濟達到農業收益最大化。但中等收入群體占城郊農民的絕大多數，因此非農就業是提高城郊農民收入的有效途徑。

圖1　城郊農民收入的概率密度函數

從圖1可以看出非農就業與未非農就業的城郊農民存在著顯著的收入差異。表3進一步用t檢驗分析了非農就業造成的收入差異問題。如表3所示，非農就業的城郊農民收入對數值為10.27，而未非農就業人群僅為4.589，前者比后者高124%，兩者的收入對數均值存在顯著差異。從影響收入的各因素看，性別、年齡、宗教信仰、受教育程度、健康狀況等均存在顯著差異，相較于未非農就業的城郊農民，非農就業人群男性居多、年齡較小、信教者較少、受教育程度更高、身體更健康。但這也隱含著內生性問題，因此需要運用PSM方法將各變量和非農就業對收入的影響分離出來。另外，是否少數民族、是否黨員、社會地位、婚姻狀況等方面，未非農就業人群和非農就業人群不存在顯著差異。

表3　基于非農就業分類的變量均值及均值差異

注：均值差異欄中為t值，括號內為p值。

五、實證分析

(一)傾向得分匹配模型選擇

從表3的分析結果可知，非農就業的城郊農民收入明顯高于未非農就業的城郊農民。但進一步分析其個體特征發現，非農就業的城郊農民大多為男性、受教育程度較高、年紀更輕、身體更健康，這種特征隱藏著非農就業對城郊農民收入影響的內生性問題。我們無法區分非農就業對城郊農民收入的影響是來自于非農就業自身因素，還是來自于非農就業的城郊農民所具有的更能提高收入能力的個體特征因素。因此，前述分析為我們進一步進行PSM分析提供了基礎。

PSM分析的第一步是獲得傾向得分(PS值)。傾向得分主要通過probit或logit等概率回歸模型進行估計而獲取。為了達到匹配效果最佳，概率模型的選擇很重要。Lian等認為，傾向得分估計的概率模型設定主要通過調整R2(pseudo-R2)和AUC值進行判定[37]。在概率模型中，被解釋變量是0-1離散型變量，而通過概率模型估計獲得的傾向得分(PS值)則是連續變量，因此傳統的判定方法失效[38]，而AUC值*醫學中常用的受試者工作特征曲線(Receiver Operating Characteristic，ROC)以下的面積被定義為AUC值。則能較好地反映模型設定效果。表4列舉了logit和probit兩種概率回歸模型的估計結果。從回歸結果來看，logit和probit的調整均R2為0.255，logit模型的AUC值高于probit模型的AUC值，Stürmer等認為獲取傾向得分值的概率模型，其值大于0.8時，匹配模型的效果會較好[39]。而本文中logit模型的AUC值為0.821，高于0.8，同時也高于probit模型的AUC值。因此，本文選擇logit模型作為獲取傾向得分的回歸模型。

表4　概率模型估計

注：1.被解釋變量為0-1變量nonfarm，0代表未非農就業，1代表非農就業。

2.*、**、***分別表示在10%、5%、1%水平上顯著。

3.AUC代表ROC曲線以下的面積。

(二)匹配效果分析

經過logit模型計算得到傾向匹配得分(PS值后)，選擇合適的匹配方法，可以計算處理組(非農就業)與對照組(未非農就業)的平均處理效應(ATT)。匹配方法主要有最近鄰匹配、半徑匹配和核匹配。本文以最近鄰匹配方法為主，半徑匹配和核匹配作為穩健性檢驗。以最近鄰匹配方式進行匹配后，可以通過核密度函數圖和ROC曲線圖檢驗匹配效果。本文顯示了匹配后的ROC曲線圖，如圖2所示。從圖中可以看出，ROC曲線遠離對角線，這反映出AUC值較大，AUC值越大，表明匹配效果越好。因此，ROC曲線直觀地表明傾向得分匹配效果良好。

圖2　傾向得分匹配后的ROC曲線圖

傾向得分匹配還必須滿足平行假設，即城郊農民非農就業群體與未非農就業群體在傾向得分匹配后，其各個維度特征無顯著差異。表5列舉了傾向得分匹配后的平衡性檢驗，標準偏誤低于20%通常被認為是良好的匹配結果[40]。從表中可以看出，性別、年齡的平方、受教育程度、是否少數民族、健康、社會地位等變量的標準偏誤都低于5%，而在匹配前，這些變量的標準偏誤都較高。與此同時，通過t檢驗可以看出，性別、年齡、年齡的平方、宗教信仰、健康狀況等變量在匹配前，控制組和處理組均存在顯著差異，而在匹配后差異不再顯著。是否少數民族、社會地位兩個變量在匹配前和匹配后，控制組與處理組均不存在顯著差異。受教育程度在匹配前，兩組差異顯著，匹配后，兩組差異只在10%的置信水平上顯著。而政治面貌和婚姻狀況兩變量在匹配前，兩組差異不顯著，匹配后卻變得顯著。總體來看，經過傾向得分匹配后，對照組與處理組各個維度特征差異不顯著，匹配效果較好。

表5　傾向得分匹配后的平衡性檢驗

注：1.*、**、***分別表示在10%、5%、1%水平上顯著。2.匹配前是指處理組與控制組(非農就業與未非農就業)沒有經過傾向得分匹配所得到的估計結果，匹配后是指處理組與控制組經過傾向得分匹配后得到的估計結果。3.處理組與控制組是指城郊農民是否非農就業所劃分的組別。匹配前，處理組指非農就業的城郊農民樣本，控制組指未非農就業的城郊農民樣本；匹配后，處理組指非農就業的城郊農民樣本，控制組指未非農就業、但其特征與非農就業群體特征類似的城郊農民樣本。

表6進一步列舉了匹配模型的總體檢驗。運用非農就業與匹配變量的回歸，在匹配前，如表6所示，調整R2為0.255，這在概率模型中算比較良好的擬合效果，似然比檢驗顯著，即匹配變量均為0的假設被拒絕，模型整體上顯著。這種統計結果表明，在匹配前，控制組與對照組存在明顯差異，城郊農民中非農就業群體與未非農就業群體的變量特征存在顯著差異；匹配后，調整R2為0.015，擬合效果較差，似然比檢驗顯著水平下降，模型在1%的置信水平上被拒絕。這表明，匹配后，控制組與對照組的差異不明顯，通過傾向得分匹配，找到了與城郊農民非農就業群體特征相似的未非農就業群體樣本，模型整體匹配效果較好。